买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：内蒙古工业大学

摘要：本发明提供一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法。该方法包括基于主成分分析的数据降维方法和时间滑动窗口的输入数据集构建方法，用于对原始风电数据集进行数据降维和构建输入数据集；以及基于P_LSTNet模型的初步风电输出功率预测方法，用于通过输入的初始风电数据预测初步风电输出功率预测值，充分提取原始数据中的短期特征、长期特征及线性特征；以及基于加权Markov和K‑means++算法的误差值校验，用于提高现有模型预测精准度低下的问题。该发明在充分提取历史风电功率数据的基础上，初步高精度的预测了风电输出功率，并结合加权Markovchain链进一步校验预测误差，并进行误差填补，进一步提高了风电输出功率预测的精准度。

主权项：1.一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，包括如下步骤：步骤1，将风电场中所接收的原始风电数据集采用主成分分析法进行特征提取，并采用时间滑动窗口构建得到初始的风电功率预测输入数据集，所述原始风电数据集包含天气预报数据和历史风电输出功率数据；步骤2，将所述初始的风电功率预测输入数据集输入至P_LSTNet模型中，获得初步的风电输出功率预测值；步骤3，将所述初步的风电输出功率预测值与真实风电输出功率做差，得出每个预测时刻点的预测误差值，并将该预测误差值采用K-means++算法来进行初始聚类的设置，获得聚类中心及聚类集，再采用加权Markovchain进行误差状态估计，将概率值最大的聚类中心值作为误差校验值进行填补，获得风电输出功率的最终预测值；其中，将所述初步的风电输出功率预测值与真实风电输出功率做差，得到由每个预测时刻点的预测误差值构成的误差数据集，误差计算如下式所示：y_error＝y_test-y_hat其中：y_error表示误差值；y_test为真实风电输出功率值；y_hat为初步的风电输出功率预测值；在得到预测误差值后执行如下步骤：步骤3.1，采用K-means++算法进行初始聚类得到n个聚类中心，并将误差集中的误差值聚类至对应的簇中，将每个聚类簇作为一个独立的状态；步骤3.2，计算状态i经过一步状态转换至状态j的初始状态转移概率pij；pij表示由当前所处状态i经一步状态转移至状态j情况下的概率值；步骤3.3，基于状态转移概率pij构成状态转移概率矩阵P，P如下式所示： 其中步骤3.4，计算误差数据集的平均值根据下式计算相关系数rk： 其中：k表示步长阶数；y_errort+k表示t+k时刻的预测误差值，表示误差数据集的平均值；y_errork表示k时刻的预测误差值；y_errort表示t时刻的预测误差值；步骤3.5，根据下式计算权重ωk的值： 其中，|rk|为相关系数rk的绝对值；h表示多步状态转移矩阵相关系数的数量，即k的取值范围为[1,h]；步骤3.6，根据下式更新状态转移概率矩阵P的值： 其中Pk＝Pk；其中，Pk表示P的k次幂；步骤3.7，确定t时刻的误差值所处状态y_errort＝si，则过渡到t+1时刻的误差值所处状态y_errort+1＝sj的状态转移概率pij为状态si转移到状态sj中概率最大值，即pij＝max{pi0,pi1,…,pin}；步骤3.8，将t+1时刻的误差值所处状态处的聚类中心值作为误差校验值填补回初步预测的风电输出功率值y_hat上，即：y_final_hat＝y_error_verify+y_hat其中，y_final_hat表示校正后的风电输出功率预测值，y_error_verify表示预测时刻的误差值所处状态处的聚类中心值；步骤3.9，依次进行步骤3.1-3.8，当达到预测最终时刻时，预测校验结束，输出最终校验后的风电输出功率预测值。

全文数据：

权利要求：

百度查询： 内蒙古工业大学 一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法